1. 機器學習 （machine learning, ml)
1.1 概念：多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。
1.2 學科定位：人工智慧(artificial intelligence, ai）的核心，是使計算機具有智慧型的根本途徑，其應用遍及人工智慧的各個領域，它主要使用歸納、綜合而不是演繹。
1.3 定義：**和開發一系列演算法來如何使計算機不需要通過外部明顯的指示，而可以自己通過資料來學習，建模，並且利用建好的模型和新的輸入來進行**的學科。
arthur samuel (1959): 一門不需要通過外部程式指示而讓計算機有能力自我學習的學科
langley（1996) ： 「機器學習是一門人工智慧的科學，該領域的主要研究物件是人工智慧，特別是如何在經驗學習中改善具體演算法的效能」
tom michell (1997): 「機器學習是對能通過經驗自動改進的計算機演算法的研究」
1.4： 學習：針對經驗e (experience) 和一系列的任務 t (tasks) 和一定表現的衡量 p，如果隨之經驗e的積累，針對定義好的任務t可以提高表現p，就說計算機具有學習能力
例子： 下棋，語音識別，自動駕駛汽車等
2）機器學習的應用：
語音識別
自動駕駛
語言翻譯
計算機視覺
推薦系統
無人機識別垃圾郵件
3）機器學習的基本概念
基本術語：
（1）資料集：由若干記錄組成的集合被稱作做資料集（data set），記錄是關於乙個事件或者物件的描述。
（2）屬性（特徵）：對事物或者物件某一方面的表現或性質的事項，叫做屬性（attribute）。
（3）屬性空間（樣本空間、輸入空間）：在屬性上能夠取到的範圍，叫做屬性空間（attribute value）。
（4）特徵向量：將所有的屬性張成乙個空間，對於每個物件都能在空間上找到自己的座標點，由於空間中的每個點對應的乙個座標向量，被稱作特徵向量（feature vector）。
（5）維數：一般，如果有d = 表示m個例項的資料集，而對每乙個示例有d個屬性，這xi =（xi1，xi2...xid）是d維樣本空間的乙個向量，xi屬於樣本空間（沒有超出取值範圍）那麼成d成為樣本xi的維數（dimensionnality）。
（6）學習（訓練）：從資料學的模型的過程叫做學習（learning）或者訓練（training）。
（7）訓練資料：在學習的過程中使用的資料，叫做訓練資料（training data）。
（8）訓練樣本：每個資料樣本叫做訓練樣本（training sample）。
（9）訓練集：訓練樣本組成的集合叫做訓練集（training set）。
（10）標記：對與一組記錄的標籤叫做標記（label）。
（11）樣例：擁有標記資訊的例項，叫做樣例（example）。
（12）標記空間（輸出空間）：一般，用（xi，yi）表示i個樣例，其中yi屬於y是示例xi的標記，y是所有標記的集合（標記的取值範圍），y被稱作標記空間（label space）。
4）機器學習分類：
（1）監督學習
分類和回歸：分類有兩種：第一種是二分類，通常的標記為兩個值，這一種叫做分類，另一種是多值分類，通常標記是連續的值，叫做回歸。（提前知道標記）
（2）無監督學習
聚類：將訓練集中的訓練資料分成若干組，每個組被稱為乙個簇，這些自動形成的簇可能對應一些潛在的概念劃分。（提前不知道，資料訓練時會形成簇。）
（3）強化學習
未完待續...
機器學習第一章
q 什麼是機器學習 機器學習不同於以往的計算機程式設計，致力於研究如何通過計算機手段，利用以往的經驗來改善系統自身的效能。一般的程式設計都是明確的告訴電腦該做什麼。機器學習希望提供資料給學習演算法，讓它自己學習，找到其種的規律。在面對新情況的時候就能應用已產生的模型，提供相應的判斷。機器學習的本質任...
機器學習第一章
今天進行了機器學習第一章的學習，我覺得首先你可以認清這些概念 1 模型 策略 演算法 2 分類與回歸的概念 3 監督 無監督 半監督問題 2 過擬合 欠擬合 下面是拓展的一些概念 海森矩陣 黑塞矩陣 hessian matrix 又譯作海森矩陣 海瑟矩陣 海塞矩陣等，是乙個多元函式的二階偏導數構成的...
《機器學習》 第一章
圖書館借了本機器學習，作者是 tom m.mitchell，亞馬遜這本書排名挺靠前的。好了，直接開篇。接下來大篇幅講述了，如何挑選訓練經驗，選擇目標函式，目標函式的表示，選擇函式逼近演算法。整個設計下來，分為了四大模組 執行系統 鑑定器 泛化器 實驗生成器。看過這本書的都會被第一章的跳棋學習深深吸引...